2022年1月6日晚，受意昂平台意昂体育 (意昂意昂) 沈定刚教授邀请🛼，美国耶鲁大学生物医学工程系🧔🏽♂️、电子工程系🚴🏽♀️、放射和生物医学影像系冠名杰出教授James S. Duncan 做客意昂意昂在线学术讲座👿，通过线上直播为我校师生带来了题为 “Neuroimage Analysis in Autism: from Model-based Estimation to Data-driven Learning (自闭症的神经影像分析🟢：从基于模型的估计到数据驱动的学习) ” 的讲座👎。本次讲座由意昂意昂张寒教授主持🕌。
Duncan 教授是 IEEE 终身会士🧚🏼🤴🏼、美国 AIMBE 和 MICCAI 会士，且曾当选为 MICCAI 学会主席。同时，他也是著名期刊 Medical Image Analysis 的联席主编😖🐈，IEEE Transactions on Medical Imaging 的副主编，以及 Proceedings of the IEEE 的编委成员。
在讲座中，Duncan 教授首先概述了当前自闭症诊断和治疗所面临的挑战📦：由于致病机理的复杂性，自闭症的诊断缺乏客观标准🕢。同时，自闭症的治疗多停留在行为纠正层面，无法实现根本上治愈。为了研究自闭症致病机理🐽，Duncan 教授的团队试图通过使用基于统计和机器学习的方法，从任务态功能磁共振成像 (task-based fMRI) 数据中，寻找自闭症的生物标志物 (biomarker) ，并对自闭症行为疗法的疗效进行评估。
自闭症人群的特点及
自闭症诊疗所面临的挑战
在讲座的第一部分，Duncan 教授简要介绍了利用传统贝叶斯方法定位自闭症群体中功能异常脑区的工作。贝叶斯方法通过分析各脑区 fMRI 信号的相关性进行功能子网络的划分👕。该项研究显示，就群体表现而言👩🏽，自闭症患者的视觉感知、模式识别的相关脑区较常人活跃👶🏻，而社交⛳️、情绪处理的脑区则活跃度较低。
自闭症患者群体中过度活跃与
活跃不足的脑区分布图
在讲座的第二部分♾，Duncan 教授进一步提出利用图神经网络 (Graph Neural Networks) 对单个被试是否患有自闭症进行计算机辅助诊断。Duncan 教授指出👨⚕️，相对于传统方法，GNN 方法具有更好的可扩展性，且运算效率高🥗，从而具有从大样本 fMRI 数据中学习到自闭症脑影像标志物的能力👴🏼。这类方法，相比于 Duncan 教授研究组前期的基于统计的方法，属于数据驱动的基于学习的策略🧚🏼♂️。研究团队设计了 brainGNN 网络，对各个脑区构成的功能子网络及 fMRI 相关功能连接特征的重要性进行提取、筛选和评估，并利用重要功能特征对该儿童是否患有自闭症进行分类。brainGNN 方法相较支持向量机方法 (SVM) 在分类正确率上有10-15%的提高，相比卷积神经网络 (CNN) 方法大幅减少了模型参数和复杂度🟨。
brainGNN 网络对重要脑区和
功能特征进行筛选
brainGNN 方法和传统方法
对自闭症诊断的准确率比较
在讲座的第三部分，Duncan 教授重点介绍了基于神经网络的自闭症治疗效果预测。研究团队首先使用了循环神经网络 (Recurrent Neural Network🏃🏻，或 RNN) 🌓🆖，从 fMRI 时域信号中提取信息，用于预测自闭症治疗后的社交反应量表 (SRS) 得分的改变🧗♀️。研究发现将临床表型信息，尤其是治疗前患儿的 SRS 得分加入 RNN🤱🏻，可大幅提高预测准确性。基于 brainGNN 和 RNN 框架，Duncan 教授团队进一步提出通过 brainGNN 网络从短时分段 fMRI 信号中提取重要特征🧛🏼，最终通过 RNN 网络进行治疗效果预测。该方法可大幅提高自闭症治疗效果预测的准确性和可解释性🦨。
表征信息提高疗效预测的准确率
利用 brainGNN 和 RNN
通过对 fMRI 信号特征的提取
进行治疗结果预测
brainGNN 网络从分段 fMRI 信号获得的
脑区重要性分布图
在讲座最后，Duncan 教授总结了他的团队在自闭症诊断和治疗研究中的进展和经验🤥，重点指出了在当前基于学习的计算机辅助诊疗研究中🫅🏿，数据样本的数量是提升分析效果的关键，并对静息态 (resting-state) fMRI 的深度学习在疾病诊断中的潜在作用与主持人及听众进行了热烈的讨论。最后🧗🏼♀️，Duncan 教授与听众进行了友好、深入的互动。本次线上学术讲座共吸引了3000多人次在线观看💇🏽♂️。
Duncan 教授团队
在自闭症早期诊断中的工作总结
本期讲座完整录像请关注“意昂意昂”官方哔哩哔哩账号观看，观看地址🎨：
https://www.bilibili.com/video/BV1DY411a7tB/
